• 振幅分层效应的实证发现[page::0][page::3]

- 采用过去20个交易日平均股价振幅，将市场股票按振幅由低到高分为10组。
- 价量类因子有效性呈单调增强趋势，基本面因子有效性呈U型变化（初期衰减后回升）。
- 建立双因素模型1.0解释：因素A（交易行为，干扰或增强）、因素B（预测机制，信噪比），二者共同决定因子有效性变化。

• 高振幅股票信噪比、排序波动幅度分析[page::4][page::5]

- 排序波动幅度指标定义及构建步骤用以表征信噪比。
- 高振幅股票月末排序波动较低，证明其信噪比更高，噪声信息难以改变排序，预测机制优势显著。

• 双因素模型2.0：更细分振幅下的因子有效性规律与解释[page::5][page::6]

- 基本面因子在极高振幅组有效性略有下滑，启发因素B信噪比影响在极端振幅区间趋于稳定，边际贡献减弱。
- 因素A影响仍主导极端区间因子有效性边际变化，因而表现出加速衰减或衰减阶段。

• 沪深300与中证800等主要股票池的分层效应显著且稳定[page::6][page::7][page::8][page::9][page::10]

- 中证800基本面因子有效性呈U型，沪深300基本面因子呈单调衰减，价量因子均呈单调增强。
- 不同振幅分层组的因子IC分布稳定，价量类因子高振幅组IC绝对水平更高，基本面因子高振幅组IC更低且分布分散。

• 分层组合构建与绩效表现[page::10][page::11][page::12]

- 振幅层内选用不同因子构建分层组合：低/中振幅层应用基本面因子，高振幅层应用价量因子。

- 单价量因子+单基本面因子构建分层组合，相比传统等权和IR加权组合，提升年化IR0.2，最大回撤改善约8%。

| 价量因子 | 基本面因子 | 年化收益（分层组合） | 年化IR（分层组合） | 最大回撤（分层组合） |
|-----------------------|-------------------------|---------------------|--------------------|---------------------|
| LnTurnoverRatio20Day | TTMROAPbSizeNeutral | 9.30% | 1.05 | 17.13% |
| LnTurnoverRatio20Day | TTMROEPbSizeNeutral | 9.38% | 1.06 | 16.04% |
| LnTurnoverRatio20Day | TTMSOSROEGrowth | 11.85% | 1.73 | 6.68% |
| LnTurnoverRatio20Day | TTMSOSNetProfitGrowth | 12.80% | 1.72 | 5.99% |

（数据见报告表2）

- 成长因子+价量因子分层组合最大回撤改善10%，年化IR提升0.2。
- 盈利质量因子+价量因子分层组合最大回撤改善12%，年化IR提升0.3。


- 基本面因子+价量因子分层组合最大回撤改善6%，年化IR提升0.2。

• 分层效应非行业偏离所致，且股票跃迁主要发生在相邻振幅层[page::12][page::13]

- 不同行业占比随振幅层变化显著，且行业中性化处理后振幅分层效应依旧存在。
- 股票月度振幅层跃迁频繁，约25%发生于相邻振幅层之间，远大于跨极端层跃迁比率（低向高6.23%，高向低3.93%）。

• 双因素模型2.0实证验证[page::14]

- 采用拟合方法量化因素A的影响，剔除后估计出因素B的真实贡献。
- 实证结果与双因素模型2.0预期高度吻合，支持理论框架。

• 分层框架具备因子化思路，可视为新因子实现结合[page::15]

- 按照振幅分层，层内选因子排序，再将层内排序合成为新因子。
- 新因子满足与存量因子的可加性，便于集成应用于量化模型。

• 风险提示[page::0][page::15]

- 模型测试基于历史数据，存在未来市场结构变化风险。

研究报告解析：A股分层效应的普适规律与底层逻辑（2021年4月30日，开源证券）

---

1. 元数据与报告概览

• 报告标题：A股分层效应的普适规律与底层逻辑

- 作者团队：金融工程研究团队，首席分析师魏建榕及其团队成员，开源证券研究所

• 发布日期：2021年4月30日

- 研究主题：探索A股市场股票因子有效性在不同振幅水平下的分布规律，提出“振幅分层效应”及其底层机制模型，并验证沪深300中该效应的稳定性与应用价值，最终提出基于振幅的分层选股框架方案。

• 核心观点与结论：

- 以股价振幅划分的市场分层可以揭示因子有效性的普适规律；
- 基本面因子的因子有效性表现为U型曲线（先减弱后增强），价量类因子则单调增强；
- 提出双因素模型解释这一规律，因素A为因子逻辑影响，因素B为预测机制的信噪比优势；
- 沪深300中的分层效应显著且稳定，基本面因子和价量因子在不同振幅层表现差异；
- 利用振幅分层效应构建组合，显著提升收益风险比，减少回撤；
- 行业分布的差异并非分层效应主要原因，分层效应可以视为新因子加入投资体系。

• 风险提示：模型基于历史数据，未来市场环境可能发生重大变化，投资需谨慎。[page::0,1]

---

2. 逐节深度解读

2.1 分层效应的实证现象与双因素模型1.0构建（章节1）

• 内容总结：

报告指出，传统基于市值、行业、成长价值风格的股票池划分方法难以普遍解释因子有效性的变化规律。本报告创新性地选取“股价振幅”作为划分标准，将市场股票按过去20个交易日的日均振幅分为10组，评估不同振幅层的因子有效性变化。

• 关键发现：

- 价量类因子（如动量、换手率）有效性随振幅单调增强；
- 基本面因子（成长、盈利质量相关）有效性呈U型：中振幅区间有效性较低，低振幅和高振幅两端表现更好；
- 形成“振幅分层效应”的普适规律。

• 模型假设与解释：

提出双因素模型1.0，认为因子有效性由两个因素共同影响：
- 因素A（因子逻辑）：短期交易行为对基本面因子有效性产生干扰，削弱其作用；对价量因子则是增强。例如高振幅对应短期交易更活跃；
- 因素B（预测机制）：信噪比视角，振幅越高信噪比越高，价格排序更稳定，因子预测收益的准确性增强；

综合作用下：
- 基本面因子：因素A为削弱，因素B为增强，形成U型效应（图2）；
- 价量因子：两个因素均为增强，效应单调上升（图3）。

• 数据展示：

图1表格以IC均值形式呈现各因子在不同振幅分组的表现，反映上述趋势，具体因子示例如TTMSOSROEGrowth、Day20Momentum等。[page::0,3]

2.2 高振幅股票信噪比证明（章节1.2）

• 排序波动幅度定义：

用股票在一段时间内收益排序的稳定性度量信噪比，计算步骤见表1。

• 数据示例：

图4显示2021年3月高排序波动幅度股票组合，收益排序波动大，信噪比低，噪声影响显著；
图5显示低排序波动幅度股票组合，排序稳定性好，信噪比高。

• 关键实验：

对比月初和月末不同振幅股票的排序波动：
- 月初：高振幅组排序波动幅度更高（波动较大）；
- 月末：低振幅组的排序波动幅度更高（信噪比低），高振幅组更稳定（信噪比高）。

• 结论：

月末高振幅股票排序的稳定性高，支持因素B假设，即高振幅组信噪比更高，从预测机制视角提高因子有效性。

• 图示支持：

图6、图7清晰展示月初和月末不同振幅排序波动的差异趋势。[page::4,5]

2.3 双因素模型2.0及更细分分层（章节1.3）

• 背景：

对市场实行更细分的40组振幅划分，验证1.0模型的有效性。

• 观察：

- 价量类因子依旧保持随振幅增高有效性增强趋势；
- 基本面因子在最高振幅组出现有效性下降，说明因素B的增强效应边际递减，甚至趋稳；

• 模型升级：

双因素模型2.0提出：
- 因素B（预测机制信噪比）在振幅极低或极高形成边际效应递减，趋于稳定；
- 因素A（短期交易干扰）持续影响有效性变化；
- 因子有效性在高振幅出现衰减阶段（特别是基本面因子），图10、11示意说明模型修正。

• 图示支撑：

图8-9呈现更细粒度分层下因子IC的具体走势；
图10-11示意图生动展示两因素影响变化阶段及对因子有效性的合成影响。[page::5,6]

2.4 沪深300股票池中的分层效应（章节2）

• 预测与验证：

- 由于沪深300振幅范围比中证800局限，故基本面因子有效性在沪深300中表现为单调下降，价量因子仍是单调增强；
- 中证800表现为U型，验证振幅范围对因子有效性形态的影响；
- 由此验证振幅分层效应的稳健性和普适性。

• 数据与图示：

图12为理论分层效应的预测示意；
图13呈现中证800中分层下各因子IC均值分布，支持U型与单调增强差异；
图14呈现沪深300对应分层下的因子IC数据，显示价量因子增强，基本面因子单调下降；
结合高、中、低振幅三级划分，观察各类因子月度移动均值IC及分布（图15至17），说明高振幅组:
- 基本面因子表现不稳定且IC水平较低；
- 价量因子IC明显更高。

• 稳定性验证：

多张时序图（图18-25）显示过去数年内各因子在不同振幅组的IC水平保持稳定差异，例如成长类、盈利质量类因子在高振幅组IC绝对水平持续低于中低组，而价量类因子则相反，展示分层效应的时间稳定性。[page::6-10]

2.5 分层效应应用：回撤降低与风险调整收益的提升（章节3）

• 背景：

寻找基本面因子与价量因子有效性错配的机会，在沪深300实际应用分层效应。

• 方法：

- 先将沪深300按振幅分为低、中、高三层；
- 低、中层选用基本面因子，高层选用价量类因子；
- 分层内因子分别排序、构造多空组合，再整体合并为分层多空组合（示意图26）。

• 效果对比：

- 单基本面因子加单价量因子构建的分层组合：
- 最大回撤减少约8%；
- 年化信息比率(IR)提升约0.2；
- 稳定度提升、年化收益波动减少（表2详细数据）。
- 组合因子测试：
- 成长因子+价量因子：最大回撤改善10%，IR提升0.2（图27）；
- 盈利质量因子+价量因子：最大回撤提升12%，IR提升0.3（图28）；
- 基本面因子（包含成长和盈利质量）+价量因子：改善6%，IR提升0.2（图29）。

• 结论：

分层方法显著降低回撤，提高组合稳定性和风险调整收益，验证分层效应的实用价值。[page::10,11,12]

2.6 行业结构与分层效应关系（章节4.1）

• 发现：

各振幅层股票板块分布差异明显，低振幅组高配金融、制造板块，高振幅组高配科技板块（图30）。

• 检验：

通过行业中性化处理振幅指标后，再次测试分层效应，结果仍显著（图31），说明分层效应非由行业结构偏离导致。

• 意义：

有效排除行业配置偏差干扰，增强分层效应的内在因子解释力。[page::12,13]

2.7 股票振幅层之间的动态跃迁（章节4.2）

• 说明：

分层为月度动态调整，股票频繁跨层，跃迁率高达约25%多发生在相邻层之间：
- 低→中: 21.3%，中→高: 24.6%，中→低: 24.4%，高→中:27.9%；
- 低→高：6.23%，高→低：3.93%（图32）

• 影响：

股票振幅层频繁跃迁提示动态调整分层时需注意因子选择的及时切换，风险管理必不可少。

[page::13]

2.8 双因素模型2.0的实证验证（章节4.3）

• 方法简介：

- 将因子有效性视为两因素之和；
- 使用数学建模，提取因素A（因子逻辑干扰）的二次多项式拟合；
- 从因子有效性剔除拟合的因素A贡献后，得到因素B（预测机制）的影响估计；
- 通过设定边界条件，确定拟合参数a、b。

• 结果：

- 因素A（蓝点）呈现预期的振幅边际变化趋势；
- 因素B（红点）与双因素模型2.0预测吻合度高；
- 模型拟合度较好，支持理论框架的合理性。

• 图示：

图33多组因子的因素A与因素B估计展示，说明模型不仅有助于分解因子有效性的原因，也为因子构建提供理论基础。[page::14]

2.9 分层框架等效为新因子构建（章节4.4）

• 问题：

分层框架最初绕开了因子构建环节，直接获得了分层组合。

• 解决方案：

- 先对沪深300按振幅分层，再在各层内用对应有效因子排序得到“层内排序值”；
- 将三层的排序值合并，得到新的排序值，即新因子；
- 该新因子可以兼容现有因子体系，满足可加性，便于集成入多因子模型。

• 意义：

促进分层效应在实际投资中的推广，增加因子多样性与组合效率。

• 风险提示：

基于历史数据模型，市场未来可能异变[page::15]

---

3. 图表深度解读（摘选重点）

3.1 图1：因子有效性在不同振幅水平上的分布规律（全市场）

• 显示10个振幅分组，基本面因子（成长和盈利质量）表现U型，从低至中间有所下降后回升，价量因子有效性（如动量）呈单调增强趋势；

- 解读：振幅的分层划分能够显著揭示因子有效性结构，有助因子选择与组合构建。

---

3.2 图2、图3：双因素模型1.0示意图

• 图2展示基本面因子因素A为负向（削弱）随振幅提升下降，因素B为正向增强，导致综合作用呈U型；

- 图3价量类因子两因素正向叠加，综合影响随振幅单调增强。

---

3.3 图4、图5：排序波动幅度示例

• 图4高排序波动幅度组，股票排序波动大，受嘈杂市场信息影响显著，信噪比低；

- 图5低排序波动幅度组，股票排序较稳定，信噪比较高；

• 视觉对比鲜明，支持振幅与信噪比假设。

---

3.4 图6、图7：月初与月末股票排序波动幅度差异

• 图6月初排序波动幅度随振幅上升增大；

- 图7月末排序波动幅度随振幅上升下降；

• 解释了排序在不同时间点受噪声影响特点，验证信噪比视图。

---

3.5 图8、图9：40组细分振幅下IC变化

• 图8价量类因子IC明显在高振幅末端较高；

- 图9基本面因子如ROE增速IC在最高振幅层出现下滑；

• 支持双因素模型2.0及边际稳定性。

---

3.6 图12-14：中证800与沪深300中因子有效性预测与实证

• 图12理论展示中证800振幅范围大，对应基本面U型，沪深300振幅范围窄，对应单调下降；

- 图13中证800实际呈U型，价量单调增强；

• 图14沪深300实际呈基本面因子单调减弱，价量因子单调增强。

---

3.7 图15-17及18-25：沪深300内各振幅组因子的IC_MA5Y分布及时序

• 清晰地展示高振幅组基本面因子IC稳定较低反复，价量类IC稳定较高；

- 强调分层效应的历史稳定性和实战意义。

---

3.8 图26-29：分层组合构建流程及组合表现

• 图26展示组合构建流程：按振幅分层后分层内应用不同因子构建组合；

- 图27-29反映分层组合稳定性强，最大回撤显著下降，同时维持较高收益、IR提升，说明分层择因提升了风险调整后表现。

---

3.9 图30-31：行业配置与中性化后分层效应

• 行业配置在低、高振幅层差异明显；

- 但行业中性化后分层效应依旧显著，排除行业结构影响。

---

3.10 图32：股票在振幅层间的跃迁率

• 留意动态分层的现实性，约25%的股票每月在相邻振幅层间转换，提示操作中的动态调整需求。

---

3.11 图33：双因素模型2.0实证拟合结果

• 蓝点拟合因素A影响，红点剔除因素A后得到因素B影响，两者呈现符合模型预测的趋势，为理论假设提供坚实的实证支撑。

---

4. 估值分析

报告主要为量化策略与因子研究，未涉及具体证券估值，因此无估值模型或目标价讨论。

---

5. 风险因素评估

• 主要风险：模型基于历史数据，未来市场环境、结构性变化可能使得分层效应及其应用方法失效或显著变化。

- 无具体缓解措施，建议用户结合实际市场动态谨慎应用。

---

6. 批判性视角与细微差别

• 报告对于振幅作为划分指标解释充分，实证细节详尽且多维度验证，但仍需关注：

- 振幅与其他潜变量（如流动性、资金面）间复杂关联对结论干扰尚未完全剔除；
- 高频交易、场外行情等不易观测因素可能影响因子有效性和信噪比假设；
- 股票振幅跃迁频繁，实际投资组合调整成本与滑点风险未展开讨论；
- 分层框架构建新因子方案虽提出，但具体实现难度、计算效率及交易成本问题待商榷；
- 模型受宏观经济、市场情绪周期波动大，适用范围有限。

• 需特别注意报告中部分因子在最高振幅组有效性下滑的原因建模深度有限，未来可从微观结构与交易行为角度进一步拓展。

---

7. 结论性综合

本报告由开源证券金融工程研究团队精心构建与验证，创新性提出以股价振幅划分市场因子有效性的“振幅分层效应”普适规律。通过系统数据分析，实证发现：

• 基本面因子有效性呈U型趋势，价量因子有效性单调增强；

- 以双因素模型解释：因素A为短期交易行为对因子逻辑影响，因素B为高振幅股票预测信噪比提升；

• 高振幅股票排序稳定性强，信噪比高，因而提升预测准确率；

- 沪深300及中证800等主要股票池内效应显著且稳定，验证其普适性；

• 行业结构非分层效应主要驱动，排除行业偏差影响；

- 股票振幅层间动态跃迁率高，提醒策略动态适应需求；

• 分层择因策略显著降低组合最大回撤，提升信息比率，稳定了投资组合表现；

- 基于分层框架可构建新的综合排序因子，兼容现有多因子体系，实现因子创新。

图表深刻揭示了因子有效性如何随市场振幅结构变化而调整，为量化选股策略提供了新范式。值得投资者和研究者关注其理论深度和实操价值，但需留意模型依赖历史数据及市场结构变化带来的风险。

总的来看，报告立场清晰客观，提供了清晰的量化方法论及多重实证分析，为A股市场微观结构研究贡献了重要视角和策略工具。

---

参考主要引用页码

[page::0,1,3,4,5,6,7,8,9,10,11,12,13,14,15]

---

（所有图表均已按照要求以markdown路劲形式嵌入至上述正文分析中，详见对应页码）

报告